基于行為畫像的物聯網業務保障方法

趙龍剛，劉漢生，王峰，狄爽

（1. 中國電信股份有限公司研究院，北京 102209；2. 中國電信集團有限公司，北京100032）

1 引言

隨著5G時代的到來，物聯網產業生態得到迅猛的發展，開卡終端數和客戶數也迎來了快速增長[1]。但在業務快速擴張的同時也出現了許多保障難題。一方面，與傳統業務相比，物聯網業務流程長、環節多，涉及終端側、無線側、核心網側、物聯網專網、應用平臺等多個節點[2]（如圖1所示）。當出現故障時，常常需要跨專業多部門逐級人工定段排查，不僅溝通成本較高，而且極易出現部門間推諉的情況，導致排障時間偏長。另一方面，物聯網在行業應用場景繁多，包括高校、高鐵、商業區和寫字樓等情況。在各種復雜應用場景與客戶業務行為的相互影響下，由于所處的客戶群體的使用特征不同，其表現的業務特征和網絡指標也會有所差異，給網絡弱覆蓋優化與質差識別挖掘工作帶來了很大的難度。

在傳統物聯網優化領域，質差識別與弱覆蓋挖掘主要依靠客戶投訴和人工經驗關聯優化模式，或者基于整體網絡連接成功率與設備附著成功率等指標進行評估[3]。與移動通信網絡和寬帶網絡不同，物聯網服務對象為物而非人，終端本身并不具備感知或反饋的能力，基于客戶申訴的被動式優化手段已經難以滿足產業需求，需要保障方提供更為精準的態勢感知和質量評估能力[4]。同時，基于人工經驗的優化模式或基于全網整體指標的評估模型，無法適配高度多樣性的終端產品形態[5]，實現覆蓋全業務的質差優化較為困難。

目前，業內物聯網保障仍然缺乏智能化感知方法，因此本文基于物聯網業務行為特性，考慮引入人工智能和大數據技術，提出一個統一的端到端物聯網質差識別及定位系統。基于該系統架構設計，介紹了智能端到端業務保障流程，主要包括指標體系搭建、客戶行為畫像質差分析和端到端定位定段算法研究。并通過系統落地實踐驗證方案的有效性，為網絡智能運維提供借鑒和參考。

圖1 物聯網端到端網絡架構

2 物聯網業務運營的需求與挑戰

物聯網業務呈現流程繁、規模大、環節多的特點，故障發現與定位困難的問題日益顯著，亟須對物聯網客戶端到端的業務質量進行更有效的質量監控及故障定界定段。結合物聯網業務保障現狀，經前期與省公司運維運營人員、企業客戶溝通，總結物聯網業務保障以下4點需要重點解決的問題。

（1）缺乏預見性維護機制，客戶滿意度較低

目前，網絡質差、終端故障、平臺連接失敗等原因會導致物聯網業務上報失敗，影響客戶正常生產，進而遭到客戶投訴與質疑。因此需要建立一種量化客戶業務體驗感知指標體系，盡早消除潛在隱患，提升客戶滿意率。

（2）缺乏業務量化感知指標體系，難以適配業務多樣性

由于目前維護方式重點關注網絡類指標，但網絡指標優良并不一定業務穩定，亟須對業務類指標建立感知體系。同時物聯網終端設備具有場景繁、品牌多、更新快的特點，不同廠商、不同型號的業務感知指標評價方法在存在相似性的同時也存在較大的差異性，在某一型號下的成熟感知評價模型很難適配多種廠商或多個型號。因此，需要在總結通用指標的同時，針對各行業差異提煉專有指標。

（3）缺乏智能化定位定段策略，人工運維費時費力

現階段，客戶投訴后，運維人員一般對平臺側、核心網側、小區無線網側、終端側層層進行人工排查，涉及物聯網公司、網絡操作維護中心（network operation center，NOC）、客戶維護服務中心多個部門，處理費時費力。同時由于上層質差可能導致群障質差，需要對告警按區域或企業進行合理歸并，降低重復性工作，提升工作效率。

（4）缺少閉環預警排障系統，部門間協同困難

由于物聯網業務涉及部門范圍廣、涵蓋終端多、流通環節長，且需人工質差定段，需要較高的協調溝通成本。可采用數字化手段，打通部門壁壘，在系統內實現質差識別、智能定段、工單整治全流程閉環操作[6]。為方便運維人員準確定位相關終端，系統需要對識別的質差終端能輸出關聯信息（如號碼、企業、位置等），能對因欠費等原因造成的質差進行過濾。為方便運維人員準確定位相關終端，需要對與質差相關的信息進行輸出。同時由于少量終端處于待調測或欠費狀態，極易被誤判為質差，需要準確過濾篩選，減少誤告警。

3 物聯網端到端業務保障方案

針對上述物聯網運營過程中亟待解決的問題，構建覆蓋全流程的物聯網業務保障系統勢在必行。其核心是打通各環節專業壁壘，建立分企業分產品量化感知指標體系，實現故障精準定位，協助運維人員快速高效地提升業務感知。物聯網業務包括網絡接入、服務接入、網絡切換、服務切換4個部分，橫跨客戶平臺側、物聯網平臺側、核心網/專網側、無線側和終端側多個環節，可以采用大數據采集技術匯聚各階段日志數據，基于業務畫像及網絡感知實現質差精準識別，通過歷史故障因果關系完成快速定位定段。基于此在上層構造實時的客戶質量監控及質差診治應用，明確業務質差的影響因素與責任劃分，并對接現有電子工單系統完成派發閉環，實現日常隱患的高效優化。具體架構如圖2所示。

3.1 全流程感知指標體系搭建

為滿足多樣的、動態變化的行業客戶業務需求，首先需要靈活完備的指標感知體系。物聯網質差感知指標體系如圖3所示，在已有的通用網絡類指標感知指標基礎之上，增添了業務類和客戶感知類指標。指標體系包括網絡層、業務層和客戶感知層3層架構。其中，網絡層和業務層主要提取通用指標（如無線連接成功率、尋呼擁塞率、終端在線率等），重點關注終端的接入及網絡的連通，保障客戶業務穩定可用；客戶感知層則針對不同行業的業務特點，研究不同客戶的需求差異，篩選得到客戶最關注的業務指標，力爭做到在客戶感知質差前消除隱患，實現精準防治。

三層感知指標體系的搭建，使物聯網業務保障從傳統的網元類指標保障升級至業務網絡雙提升模式。借助統一數據湖技術[7]完成網絡與業務感知全量數據采集，利用Spark、Hadoop等大數據處理技術實現各指標的快速計算，形成實時準確的感知研判體系。三層指標至下而上，重要程度依次增強，越往上層指標與客戶體驗相關性越強。感知層保障優先級最高，觸發一般需要立刻派單整治；網絡層的重要性則相對較低，可以采取預警結合觀察研判的方法進行防治。

圖2 物聯網業務保障系統分層架構

圖3 物聯網質差感知指標體系

3.2 基于大數據畫像的業務質差識別研究

3.2.1 企業指紋庫構建

上文介紹了全流程感知指標體系的搭建，指標體系可以分為面向網絡指標及面向業務和客戶類指標。目前，網絡指標已有成熟的感知評估體系，通過設定網絡連接成功率、網絡傳輸時延等關鍵績效指標（key performance indicator，KPI），超過閾值觸發告警，有效保障了網絡質量。但日常運維中經常出現網絡感知優良但客戶申訴業務異常的情況，如異常下線、無法注冊、終端失活等。與網絡指標較為平穩不同，由于物聯網終端的使用場景及廠商偏好設置的不同，業務行為存在相似性的同時也存在較大的差異性。如水表氣表等抄表類業務，使用物聯網卡重點是實現數據智能上傳，因此客戶對上行包是否發送成功較為關注；而路燈等尋呼類業務，重點是接收路燈開滅下控指令，較高的下控成功率是保障業務平穩運行的關鍵。同時由于同一形態終端開發廠商不同，設定的上報周期、心跳頻率等業務指標也有較大區別，需要分企業建立特征指紋庫。

首先，基于已有歷史終端業務數據，構建分產品分企業單客戶單日特征寬表，并在此基礎上結合專家經驗篩選特征提取物聯網終端質差特征矩陣；然后基于滑窗聚類算法尋找指標中心點，并基于密度分布情況粗粒度估算指標偏移情況[8]，形成企業特征指紋庫。具體步驟如下。

步驟1針對單一指標或多個相關性較強指標集合（如單日業務上報次數、單日注冊次數與注冊成功率），確立滑動框半徑a，隨機選取點O為中心點，記錄滑動框中覆蓋點數。

步驟2滑動框每次迭代均向覆蓋點數會更多的方向迭代，即滑動窗口不斷向覆蓋點密度更大的區域移動；上述多個隨機點會產生多個滑動框，取框中值最大3個點作為初步中心點。

步驟3根據上述步驟產生的多個初步中心點為中心，調節涵蓋半徑r，r調節機制為，其中θ為調節因子，被用來調整范圍，X為覆蓋的點數目，若最終多個中心點及半徑有重疊，進行歸并合并，完成初步企業質差指紋庫構建。

根據物聯網業務特點，企業指紋庫共提取時間及統計特性、注冊激活特性、平臺下控特性、終端上報特性、平臺響應特性、消息隊列遙測傳輸（message queuing telemetry transport，MQTT）協議特性六大類十九維特征，基于各特征與質差終端的相關性，篩選得到顯著特征，并結合上述企業質差指紋庫構建方法，形成差異化的終端質差企業畫像，見表1。

3.2.2 單終端業務行為畫像研究

企業指紋庫搭建能在粗粒度確定各業務指標區間，能夠滿足大部分情況下的分企業分產品業務感知要求。但在試點過程中發現，同一終端應用在不同的業務環境中，其業務行為會發生較大差異。以抄表類水表終端為例，一般狀態下其單日業務上報集中在5次以內，但在高校等需要頻繁計費的場景下單日業務上報可能達百次以上，單純地依靠企業畫像質差識別，很容易將其誤判為頻繁上下線。同時，在終端安裝調測時，經常會人工產生大量失敗注冊包，與質差業務區分較為困難。此外，終端是否在平臺注冊、終端網絡是否覆蓋良好等特性在企業維度均很難體現，需要建立面向單終端行為畫像特征，進而精確描述終端行為特性。目前，結合物聯網業務行為，單終端畫像主要記錄業務上報、平臺注冊、基站切換3個維度。

（1）單終端業務上報特性

終端上報次數與所屬企業相關程度較低，與所屬應用場景表現強相關。基于此規律，通過統計各終端歷史平均上傳頻率，針對每個終端設置不同的上傳上限閾值，進而識別終端異常上報。

（2）終端平臺注冊特性

由于目前錄入終端管理系統顯示為“在用”的終端中，存在實際屬性為調測終端的情況。而調測終端一般尚未在平臺中注冊，其注冊類輸指標全為超時或失敗，極易與質差終端混淆。為解決上述問題，針對單個終端設計歷史上行注冊行為的統計指標，只要歷史行為中有一次以上的平臺注冊成功即認為是在用終端，否則為待調測終端。

（3）終端對應基站切換特性

經過質差終端分析，發現部分質差客戶接入小區頻繁切換，疑似質差原因為網絡弱覆蓋。因此在建立單終端客戶行為畫像時，通過記錄其最近3日接入的小區，若該終端確為質差，對比其歷史接入小區切換的頻繁程度，若頻繁切換，作為網絡弱覆蓋輔助依據。

表1 物聯網業務感知通用關鍵指標

3.3 端到端定位定段算法研究

在質差完成排檢后，需要及時定段定位，聯系維護人員快速響應。物聯網手工故障定段定界過程如圖4所示，目前物聯網網絡指標感知定段定界已形成體系化的手工維護方法。但由于涉及環節眾多，需要層層排查，費時費力，很容易發生誤判。具體而言，在當前的物聯網業務中，當收到客戶報修，例如上報投訴物聯網終端無傳輸數據等情況時，物聯網業務平臺運維人員首先會人工關聯無線網側的KPI，以進行無線側排查；隨后，運維人員再人工檢測平臺側、核心網側連接數據是否正常；之后再派遣外勤人員等赴現場排查異常終端等問題。

在此，由于物聯網異常定位涉及終端側、平臺側、無線小區側、核心網側等多個環節，人工審查定位費時費力。更關鍵的是，由于物聯網系統中各個環節間耦合緊密，基于簡單的相關性指標難以準確定位異常的根本原因。如果上層環節發生異常后，通常會發生群障告警，往往容易定位至淺層，難以定位根本原因[9-10]。本文探索一種基于因果學習的物聯網質差根因定位方法，主要步驟如下。

（1）根因圖構造

采集歷史異常根因樣本，并且結合本業務領域專家知識對相關根因進行補充；如圖5（a）所示，首先構造所有異常結果與異常原因的全連通圖，刪除條件相互獨立的相鄰節點之間的連接，并根據歷史根因關聯及本業務領域專家知識確立連接方向。

圖4 物聯網手工故障定段定界過程[1]

（2）根節點前向溯源

如圖5（b）所示，從根節點出發計算相鄰節點異常指標相關程度，持續前向遍歷，直至節點之間的相關程度低于閾值。

（3）因節點后向游走

如圖5（c）所示，從原因節點到根因節點進行后向游走，基于該原因節點的后向節點與該原因節點的兄弟節點之間的異常指標相關程度評估是否后退回該原因節點的父節點。

（4）物聯網異常根因判定

綜合所述根節點前向游走步驟和所述因節點后向游走步驟的檢測結果，以相關系數與歷史轉移概率加權，輸出導致物聯網異常的最終根因判別結果。

圖5 定位定段流程

3.4 物聯網端到端業務保障能力應用實踐

3.4.1 案例實踐

以物聯網NB水表在某運營商中部A省B企業為例，介紹質差分析及定界定段相關實踐過程。其月活躍NB終端約10.1萬個，安裝該終端NB小區約0.11萬個（只統計部署該類型終端30個以上小區）。

（1）企業指紋庫構建

由于網絡感知指標隨業務場景變化不大，且相關定義已較為成熟，水表及其他產品均采用統一指標及閾值進行質差識別，具體見表2。網絡類感知指標由無線網、承載網、平臺側3部分組成，當網絡類指標出現輕度質差且業務感知良好時，前期先預警觀察；若業務及客戶感知出現質差波動，則派發維護工單，并利用相關網絡指標變化情況輔助定界定段。

表2 物聯網網絡感知關鍵指標及質差區間

水表是典型的監測上報類業務，其以上行通信為主，下行通信為輔，因此業務感知分析時重點關注激活特性和終端上報特性類指標。由于產品規格和客戶習慣的差異，不同企業的NB水表終端在數據特性上存在一定的差異性，但其又同時具備水表場景的業務特點。以注冊激活特性指標為例，部分企業水表終端設置為常帶電狀態，只需上電后與平臺通信注冊成功一次，日常不再發送激活注冊包；部分企業設置了休眠模式，水表在每次喚醒上報前均需向平臺注冊，同時不同企業設置的業務上報的頻率及失敗重傳次數通常會有所區別。A省NB水表各企業終端平均注冊周期分布圖如圖6（a）所示，約69%的客戶下屬水表終端平臺在1～3天內向平臺發起注冊請求，但也有約6%的客戶終端設置不休眠狀態，單終端平均發送注冊請求在10天以上；而同一企業其注冊行為較為一致（如圖6（b）所示），因此針對業務指標需要分企業設置不同質差標準。

圖6 NB水表注冊周期分布

按企業計算各業務指標分布后可采用聚類或統計分布方法完成質差區間選擇，圖6（b）所示的注冊周期類指標分布較為聚集，采用各種算法得到結果均能取得良好效果。但某些指標分布較為分散，且有多個正常中心點，采用距離聚類或統計分布方法就不再適用。K-means質差聚類判定結果如圖7（a）所示，由于業務次數及業務成功率的分隔都較大，采用基于距離的聚類方法較難確定符合業務認知的質差區間。本文質差區間判定結果如圖7（b）所示，本文首先基于密度確定數據點的質心位置，然后通過調整中心點囊括范圍確定各指標質差區間，最終取得較好的識別結果。

圖7 A省內B企業下屬水表終端COAP通信次數與成功率質差聚類結果

（2）單終端行為畫像分析

上述步驟可以確定水表企業通用指標質差區間，但由于工作場景及環節的不同，終端歷史行為存在偏差。A省B企業各小區單日業務上報次數分布示意圖如圖8所示，B企業在A省業務上報行為分布圖，客戶總體單日業務上報雖然聚集在[0，20]，但其受使用場景因素的影響較大，在高校等頻繁計費場景下單日平均上報可能在700次左右，因此在企業指紋庫基礎上需要補充終端歷史業務行為作為擴充，根據單一終端歷史業務行為數據聚類確定質差區間。

圖8 A省B企業各小區單日業務上報次數分布示意圖

此外，由于水表在安裝過程中會進行多輪調試，調測過程中由于終端未激活等原因會產生大量的失敗業務請求，拉低終端及小區業務成功率，導致系統誤告警。可基于單終端行為畫像記錄其歷史激活行為，進而區分調測終端。

基于上述步驟（1）（2），系統對A省B企業月均自動識別質差39.4單，派發經運維人員驗證后準確率達80%左右；月均識別待調測終端125.4個，有效降低了系統誤報，經應用方評估已能滿足業務感知監控需求。

（3）定段定界與運維排障

結合上文圖5與實例說明系統定段定界方法。當物聯網某小區業務成功率出現突降發生質差現象，對應圖5（b）中果節點。與該質差現象對應的直接根因有：小區RRC連接成功率低、單終端頻繁業務質差、小區01覆蓋占比較低，分別對應圖5（b）中因1、因2、因3節點。若與質差現象的果節點直接關聯的因節點也存在質差現象，則繼續前向溯源，即因1前向關聯到地市本地網質差，對應圖5（b）中所示因4節點。由于該地市本地網質差除關聯因1小區外，還關聯多個小區（對應圖5（c）中因8、因9節點），一般而言，本地網質差其下游指標必會出現屬地小區群障質差，因此后向回溯時，若與此相關的下游指標未出現質差情況，可基本判定根因為上一級，即定位至小區級質差。圖5（c）中從因4到因1的反向箭頭，將候選根因回溯定位到小區，最終派單定位為無線網小區側排查。

目前，B企業在A省月均派發的質差工單中，定界無線網小區質差月均7.1單，定界終端側或客戶側質差月均32.3單，暫無平臺側及專網側質差，在質差識別準確情況下定界定段準確率達90%以上，有效明確了質差的影響等級以及責任主體，為各專業協同保障提供技術支撐。

3.4.2 工單派發

物聯網業務質差識別與定界定段方法，目前通過對接電子工單系統已經在某運營商實現了流程化落地應用。業務流程如圖9所示，首先基于大數據湖技術，系統統一采集匯聚各省網絡類、業務日志及性能數據，實現業務集中管控；然后結合指標感知體系、質差識別及定界定段模塊，實現質差快速預警與定界；最后將告警消息與定段推送至數據共享平臺，實現業務告警與電子工單系統對接，完成質差發現、故障定界與派單整治閉環構建。

圖9 物聯網端到端業務保障能力業務流程

4 結束語

與物聯網業務的快速發展相比，目前對物聯網業務的保障手段遠遠滯后于產業增長水平。本文聚焦于客戶、業務、網絡3層感知結果，基于大數據畫像技術和因果關系分析方法，探索了一套自動化質差識別與定界定段方案。通過在實踐中不斷迭代驗證，實現了運維模式由網元KPI向業務關鍵感知指標（key quality indicator，KQI）的轉型，提升了物聯網運維工作的效率和準確性。

然而，受制于標簽樣本規模，本文針對物聯網質差的根因分析仍是初期的定界，工單派發后仍然需要運維人員結合告警及性能數據進行根因細化。后續工作還需要結合運維工程中產生的根因標簽，基于機器學習方法補充相關因果關系，力爭做到精準定位。